tess4J 安装使用

大家好，又见面了，我是你们的朋友全栈君。

直接引用maven测试报错

主要原因是引入不了dll

java.lang.UnsatisfiedLinkError: 找不到指定的模块。

	at com.sun.jna.Native.open(Native Method)
	at com.sun.jna.NativeLibrary.loadLibrary(NativeLibrary.java:288)
	at com.sun.jna.NativeLibrary.getInstance(NativeLibrary.java:427)
	at com.sun.jna.Library$Handler.<init>(Library.java:179)
	at com.sun.jna.Native.loadLibrary(Native.java:569)
	at com.sun.jna.Native.loadLibrary(Native.java:544)
	at net.sourceforge.tess4j.util.LoadLibs.getTessAPIInstance(LoadLibs.java:85)
	at net.sourceforge.tess4j.TessAPI.<clinit>(TessAPI.java:42)
	at net.sourceforge.tess4j.Tesseract.init(Tesseract.java:427)
	at net.sourceforge.tess4j.Tesseract.doOCR(Tesseract.java:223)
	at net.sourceforge.tess4j.Tesseract.doOCR(Tesseract.java:195)
	at TestOcr.main(TestOcr.java:23)

官网

http://tess4j.sourceforge.net/

下载包

https://sourceforge.net/projects/tess4j/

下载解压后截图

 lib 包下面有 libtesseract3051.dll

将这个文件放到 目录 C:\Windows\System32 下面

这是个老版本, 实际上应该安装

参考 https://blog.csdn.net/gs80140/article/details/103938651

安装后,使用java程序调用就可以了???

在Linux使用了3.4.8的版本报乱码, 换新版本试试, 新版本 411的也一样的问题

一堆问题, 跑通了得到的文字也是乱的, 没有的文字乱七八糟的文字都出来了, 但是使用原生的 Tesseract 命令行解析出来的文字就还可以, 一直处在奔溃的边缘,但是没有放弃, 看到了一个easyocr的项目

https://github.com/ushelp/EasyOCR

不过此项目已经找不到开源的代码了,号称很厉害, 于是搜索了以前的旧的代码

https://github.com/HighCWu/EasyOCR 这个是找回的历史版本, 在这个版本中看到了 maven依赖, 于是立即尝试

<dependency>
 	<groupId>cn.easyproject</groupId>
 	<artifactId>easyocr</artifactId>
 	<version>3.0.4-RELEASE</version>
</dependency>

<dependency>
     <groupId>cn.easyproject</groupId>
     <artifactId>easyocr-linkbold-plugin</artifactId>
     <version>3.0.3-RELEASE</version>
</dependency>

参考代码

EasyOCR e=new EasyOCR();
//直接识别图片内容
System.out.println(e.discern("images/demo_eurotext.png"));  

直接报错, 但是分析一下源码发现,原来这个项目也是使用的

下面的代码还没有尝试过, 下面的代码应该可以使用, 原理已经掌握, 就是调用命令嘛, 这个也是我期望的结果

EasyOCR ocr = new EasyOCR();

System.out.println("###### 中文会议通知内容识别 ######");
ocr.setAmendPath("amend_chi.txt"); // 中文识别修正
ocr.setLanguage(Language.CHI_SIM); // 中文语言
String res=ocr.discern("images/bank/notice.tif");
System.out.println(res);

System.out.println("###### 多语言混合识别 ######");
ocr.setLanguage(Language.multiLanguage(Language.ENG,Language.CHI_SIM)); // 多语言识别
String res2=ocr.discern("images/bank/bill2.tif");
System.out.println(res2);

System.out.println("###### 基于ETD模板的中文银行票据识别 ######");
ocr.setLanguage(Language.CHI_SIM); // 中文识别
ocr.setTextMode(TextMode.UNIFORM_TEXT); // 统一大小
List<String> res3=ocr.discernByTemplate("images/bank/bill3.jpg", "images/bank/bill.etd", ImageType.BILL_NORMAL);
System.out.println(res3);

System.out.println("###### 带图片的清理数字内容识别 ######");
ocr.setLanguage(Language.ENG); // 英文识别
ocr.setCharList("0123456789"); // 字符限定API
ocr.setTextMode(TextMode.SINGLE_LINE_TEXT); // 单行文本识别
String res4=ocr.discernAutoCleanImage("images/bank/example4.jpg",ImageType.TEXT_BOLD_BLAK);
System.out.println(res4);

经过上面的分析,开始写代码,直接调用命令, 这个命令的调用, windows机器,Linux机器分别安装最新版本的Tesseract并且确保在命令行里面能直接使用命令 tesseract ,语言包也相应放对位置即可

分享一下直接调用命令的程序, 再次感谢EasyOCR的启发, tess4j的乱码问题留待以后吧, 直接调用命令的效率还是挺快的, 比用tess4j快多了, 在windows机器上, 识别一个图片,tess4j要10几秒, 命令行1-2秒就出结果了,而且还不乱

@NacosValue("${tesseract.execute.dir}")
    private String tesseractExecuteDir = "D:/data";

    /**
     * 此时本机要安装tesseract,并且放入path中,执行命令可以直接运行这个命令
     * @return
     */
    public String doTesseractOCR(byte[] bytes) throws Exception
    {
        //定义根目录
        File execFolder = new File(tesseractExecuteDir);
        String currentIndex = UUID.randomUUID().toString();
        String imgName = currentIndex+".jpg";
        File imageFile = new File(execFolder,imgName);
        File resultFile = null;
        try
        {
            //将bytes数组写入文件
            FileImageOutputStream imageOutput = new FileImageOutputStream(imageFile);
            imageOutput.write(bytes, 0, bytes.length);
            imageOutput.close();

            // 存放命令行参数的数组
            List<String> cmd = new ArrayList<>();
            ProcessBuilder pb = new ProcessBuilder();
            pb.directory(execFolder);
            cmd.add("tesseract");
            cmd.add("-l");
            cmd.add("chi_sim");
            cmd.add(imgName);
            cmd.add(currentIndex);
            // 执行命令行
            pb.command(cmd);
            // 通知进程生成器是否合并标准错误和标准输出,把进程错误保存起来。
            pb.redirectErrorStream(true);
            // 开始执行进程
            Process process = pb.start();
            // 当前进程停止,直到process停止执行，返回执行结果.
            int w = process.waitFor();
            // 0代表正常退出
            if (w == 0)
            {
                resultFile = new File(execFolder,currentIndex+".txt");
                if(resultFile.exists())
                {
                    return FileUtil.readUtf8String(resultFile);
                }
            }
            else {
                String msg;
                switch (w) {
                    case 1:
                        msg = "Errors accessing files. There may be spaces in your image's filename.";
                        break;
                    case 29:
                        msg = "Cannot recognize the image or its selected region.";
                        break;
                    case 31:
                        msg = "Unsupported image format.";
                        break;
                    default:
                        msg = "Errors accessing files. There may be wrong filename.错误码:"+w;
                }
                throw new Exception(msg);
            }
        }
        finally {
            FileUtil.del(imageFile);
            FileUtil.del(resultFile);
        }
        return "";
    }